基于中国临床命名实体识别的自动定量性中风严重性评估,采用域适应性预训练的大型语言模型
Zhanzhong Gu1, Xiangjian He2, Ping Yu3
1School of Electrical and Data Engineering, University of Technology Sydney, NSW, 2007, Australia.
Artificial intelligence in medicine
|March 29, 2024
概括
这项研究使用人工智能对中国电子健康记录 (EHR) 进行了自动化,以实现国家卫生研究院中风量表 (NIHSS) 的评分. 开发的框架显著提高了评估中风严重程度的效率和准确性.
科学领域:
- 人工智能在医学中的应用
- 临床信息学 临床信息学
- 神经学 神经学
背景情况:
- 脑卒中是一个主要的全球健康问题,需要准确的严重程度评估.
- 国家卫生研究院中风量表 (NIHSS) 对于中风评估至关重要.
- 手动NIHSS评分是耗时的,容易出现错误,需要自动化.
研究的目的:
- 开发一个用于定量性中风严重程度评估的自动化框架.
- 通过使用中国临床电子健康记录 (EHR) 来自动化整个NIHSS评分过程.
主要方法:
- 开发了一个中国临床命名实体识别 (CNER) 模型,使用一个域适应性预训练的大型语言模型 (LLM).
- 构建了一个特定于中风的注释数据集 (CSCR) 来训练CNER模型.
- 通过将提取的实体映射到NIHSS项目,创建了一个自动化的,端到端的NIHSS评分管道.
主要成果:
- 适应领域的LLM和CNER模型在基准和新数据集上表现出卓越的表现.
- 在可靠的实体提取中获得了0.990的高F1得分.
- 自动化的NIHSS评分显示出优异的评价者间一致性 (0.823) 和类内一致性 (0.986),将处理时间缩短到几秒钟.
结论:
- 拟议的框架提供了可靠和高效的自动中风严重性评估来自中国临床EHRs.
- 引入了一个新的临床数据集,一个预训练的临床LLM,以及一个有效的CNER模型.
- 这种人工智能驱动的方法可以提高医疗保健的质量,效率和负担能力.
